เครื่องคำนวณการทดสอบ t

ทำการทดสอบ t ของเวลช์เพื่อพิจารณาว่ามีความแตกต่างอย่างมีนัยสำคัญทางสถิติระหว่างค่าเฉลี่ยของสองกลุ่มอิสระหรือไม่

ตัวอย่างด่วน

กลุ่ม 1 (ตัวอย่าง A) อย่างน้อย 2 ค่า

กลุ่ม 2 (ตัวอย่าง B) อย่างน้อย 2 ค่า

พารามิเตอร์การทดสอบ

ระดับนัยสำคัญ (α)

ประเภทการทดสอบ

ความละเอียดทศนิยม

Embed เครื่องคำนวณการทดสอบ t Widget

เกี่ยวกับ เครื่องคำนวณการทดสอบ t

ยินดีต้อนรับสู่ เครื่องคำนวณการทดสอบ t เครื่องมือวิเคราะห์สถิติแบบครบถ้วนสำหรับเปรียบเทียบค่าเฉลี่ยของสองกลุ่มอิสระ เครื่องคำนวณนี้ทำ Welch's t-test ซึ่งทนทานต่อความแปรปรวนและขนาดตัวอย่างที่ไม่เท่ากัน จึงแนะนำให้ใช้เป็นตัวเลือกเริ่มต้นในงานส่วนใหญ่

การทดสอบ t คืออะไร และควรใช้เมื่อใด?

การทดสอบ t เป็นการทดสอบสมมติฐานทางสถิติที่ใช้เพื่อตรวจสอบว่าค่าเฉลี่ยของสองกลุ่มแตกต่างกันอย่างมีนัยสำคัญหรือไม่ การทดสอบ t แบบอิสระสองกลุ่ม (หรือ unpaired t-test) ใช้เปรียบเทียบข้อมูลจากสองกลุ่มที่แยกจากกัน

ใช้การทดสอบ t เมื่อ:

คุณมีสองกลุ่มอิสระให้เปรียบเทียบ (เช่น ทดลอง vs. ควบคุม)
ข้อมูลเป็นเชิงต่อเนื่องและมีการกระจายใกล้เคียงปกติ
คุณต้องการทราบว่าความแตกต่างที่สังเกตได้มีนัยสำคัญทางสถิติหรือไม่

ทำความเข้าใจสูตรการทดสอบ t

ค่าสถิติ t ของ Welch

ค่าสถิติ t วัดว่าค่าเฉลี่ยตัวอย่างห่างกันกี่หน่วยของค่าคลาดเคลื่อนมาตรฐาน:

$$t = \frac{\bar{X}_1 - \bar{X}_2}{\sqrt{\frac{s_1^2}{n_1} + \frac{s_2^2}{n_2}}}$$

โดยที่ $\bar{X}_1$ และ $\bar{X}_2$ คือค่าเฉลี่ยตัวอย่าง, $s_1^2$ และ $s_2^2$ คือความแปรปรวนของตัวอย่าง, และ $n_1$ กับ $n_2$ คือขนาดตัวอย่าง

องศาอิสระ (Welch-Satterthwaite)

สำหรับ Welch's t-test องศาอิสระคำนวณได้จาก:

$$df = \frac{\left(\frac{s_1^2}{n_1} + \frac{s_2^2}{n_2}\right)^2}{\frac{(s_1^2/n_1)^2}{n_1-1} + \frac{(s_2^2/n_2)^2}{n_2-1}}$$

วิธีทำการทดสอบ t แบบอิสระสองกลุ่ม

ใส่ข้อมูลกลุ่ม 1: ป้อนค่าตัวเลขของกลุ่มตัวอย่างแรก โดยคั่นด้วยจุลภาค ช่องว่าง หรือขึ้นบรรทัดใหม่
ใส่ข้อมูลกลุ่ม 2: ป้อนค่าตัวเลขของกลุ่มตัวอย่างที่สองด้วยรูปแบบเดียวกัน
เลือกพารามิเตอร์การทดสอบ: เลือกระดับนัยสำคัญ (alpha) ประเภทการทดสอบ (สองด้านหรือด้านเดียว) และความละเอียดทศนิยม
รันการวิเคราะห์: คลิกคำนวณเพื่อทำการทดสอบ t และดูผลลัพธ์ เช่น ค่าสถิติ t ค่า p องศาอิสระ และขนาดอิทธิพล
ตีความผลลัพธ์: ดูกราฟการกระจาย t และส่วนการตีความเพื่อประเมินว่าความแตกต่างมีนัยสำคัญทางสถิติหรือไม่

การตีความผลลัพธ์

การตีความค่า p

ค่า p คือความน่าจะเป็นที่จะสังเกตได้ข้อมูลของคุณ (หรือข้อมูลที่รุนแรงกว่า) หากสมมติฐานศูนย์เป็นจริง:

p < 0.05: มีนัยสำคัญทางสถิติที่ระดับความเชื่อมั่น 95%
p < 0.01: มีนัยสำคัญมากที่ระดับความเชื่อมั่น 99%
p > 0.05: ไม่มีนัยสำคัญ - ความแตกต่างที่พบอาจเกิดจากความบังเอิญ

ขนาดอิทธิพล: Cohen's d

ค่า p บอกนัยสำคัญทางสถิติ ส่วน Cohen's d บอกความสำคัญเชิงปฏิบัติหรือขนาดของความแตกต่าง:

ค่า Cohen's d	ขนาดอิทธิพล	การตีความ
\|d\| < 0.2	แทบไม่มี	ความแตกต่างเล็กมาก
0.2 ≤ \|d\| < 0.5	เล็ก	ความแตกต่างเล็กแต่สังเกตได้
0.5 ≤ \|d\| < 0.8	ปานกลาง	ความแตกต่างปานกลางและมีความหมาย
\|d\| ≥ 0.8	มาก	ความแตกต่างมาก

การทดสอบสองด้าน vs. ด้านเดียว

ทดสอบสองด้าน (ค่าเริ่มต้น)

ทดสอบว่าค่าเฉลี่ยแตกต่างกันได้ทั้งสองทิศทาง ใช้เมื่อคุณไม่มีสมมติฐานเชิงทิศทางที่เฉพาะเจาะจง สมมติฐานทางเลือกคือ: $H_1: \mu_1 \neq \mu_2$

ทดสอบด้านเดียว

ด้านซ้าย: ทดสอบว่าค่าเฉลี่ยของกลุ่ม 1 น้อยกว่ากลุ่ม 2 สมมติฐานทางเลือก: $H_1: \mu_1 < \mu_2$

ด้านขวา: ทดสอบว่าค่าเฉลี่ยของกลุ่ม 1 มากกว่ากลุ่ม 2 สมมติฐานทางเลือก: $H_1: \mu_1 > \mu_2$

คำแนะนำ

ควรใช้การทดสอบสองด้าน เว้นแต่คุณมีเหตุผลทางทฤษฎีที่หนักแน่นว่าจะเกิดความแตกต่างเพียงทิศทางเดียว การทดสอบด้านเดียวมีพลังมากกว่าแต่อนุรักษ์นิยมน้อยกว่า

Welch's t-test คืออะไร?

Welch's t-test เป็นรูปแบบหนึ่งของการทดสอบ t สำหรับตัวอย่างอิสระที่ไม่สมมติว่าความแปรปรวนของสองกลุ่มเท่ากัน มีความทนทานมากกว่าและแนะนำให้ใช้เป็นค่าเริ่มต้น โดยเฉพาะเมื่อขนาดตัวอย่างหรือความแปรปรวนแตกต่างกัน

ข้อดีของ Welch's t-test:

ไม่สมมติว่าความแปรปรวนของประชากรเท่ากัน (ทนทานต่อความแปรปรวนไม่เท่ากัน)
ควบคุมความผิดพลาดประเภทที่ 1 ได้แม่นยำกว่าเมื่อความแปรปรวนต่างกัน
มักแนะนำให้ใช้แทน Student's t-test ในหลายกรณี
ทำงานได้ดีแม้ความแปรปรวนเท่ากัน (ไม่มีข้อเสียจากการเลือกใช้)

การใช้งานจริง

งานวิจัยทางการแพทย์

เปรียบเทียบประสิทธิผลการรักษาระหว่างกลุ่มทดลองและกลุ่มควบคุม ประเมินประสิทธิภาพยา หรือวิเคราะห์ผลลัพธ์ทางคลินิก

การศึกษา

ประเมินว่าวิธีการสอน หลักสูตร หรือการแทรกแซงที่ต่างกันส่งผลให้ผลลัพธ์ของผู้เรียนแตกต่างกันหรือไม่

การวิเคราะห์ธุรกิจ

A/B testing สำหรับแคมเปญการตลาด เปรียบเทียบความพึงพอใจลูกค้าระหว่างเวอร์ชันสินค้า หรือวิเคราะห์ยอดขายตามภูมิภาค

การควบคุมคุณภาพ

เปรียบเทียบสเปกของผลิตภัณฑ์จากกระบวนการผลิต ซัพพลายเออร์ หรือช่วงเวลาที่ต่างกัน

คำถามที่พบบ่อย

การทดสอบ t คืออะไร และควรใช้เมื่อใด?

การทดสอบ t เป็นการทดสอบสมมติฐานทางสถิติที่ใช้เพื่อตรวจสอบว่าค่าเฉลี่ยของสองกลุ่มแตกต่างกันอย่างมีนัยสำคัญหรือไม่ ใช้เมื่อเปรียบเทียบตัวอย่างอิสระสองกลุ่ม (เช่น กลุ่มควบคุม vs. กลุ่มทดลอง) กับข้อมูลเชิงต่อเนื่องที่มีการกระจายใกล้เคียงปกติ

การทดสอบ t แบบสองด้านและด้านเดียวต่างกันอย่างไร?

การทดสอบแบบสองด้านตรวจสอบความแตกต่างของค่าเฉลี่ยได้ทั้งสองทิศทาง (มากกว่า/น้อยกว่า) ส่วนการทดสอบแบบด้านเดียวตรวจสอบความแตกต่างเพียงทิศทางเดียว การทดสอบสองด้านจะอนุรักษ์นิยมกว่าและมักใช้เป็นค่าเริ่มต้น เว้นแต่คุณมีสมมติฐานเชิงทิศทางที่ชัดเจน

ค่า p ในการทดสอบ t หมายถึงอะไร?

ค่า p คือความน่าจะเป็นที่จะสังเกตได้ข้อมูลของคุณ (หรือข้อมูลที่รุนแรงกว่า) หากสมมติฐานศูนย์เป็นจริง ค่า p ที่ต่ำกว่าระดับนัยสำคัญที่เลือก (มักเป็น 0.05) บ่งชี้ว่ามีนัยสำคัญทางสถิติ ซึ่งหมายความว่าความแตกต่างที่พบไม่น่าจะเกิดจากความบังเอิญ

Cohen's d คืออะไร และทำไมจึงสำคัญ?

Cohen's d เป็นตัวชี้วัดขนาดอิทธิพลที่บอกความใหญ่ของความแตกต่างระหว่างสองกลุ่มในหน่วยส่วนเบี่ยงเบนมาตรฐาน ค่า p บอกนัยสำคัญทางสถิติ แต่ Cohen's d บอกความสำคัญเชิงปฏิบัติ โดยทั่วไป 0.2, 0.5 และ 0.8 แทนขนาดอิทธิพลเล็ก ปานกลาง และใหญ่ตามลำดับ